基于图神经网络的自动驾驶车辆轨迹预测：高效消息传递与时空信息融合框架

为解决自动驾驶车辆(AVs)在混合交通环境中轨迹预测精度不足的问题，研究人员提出了一种基于图神经网络(GNN)的编码器-解码器学习框架。该研究创新性地采用自适应图结构学习、高效消息传递机制和注意力增强的GRU模型，有效解决了传统方法在非欧几里得数据特征提取中的局限性。实验表明，该模型在NGSIM和highD数据集上实现了27%的RMSE降低，为实时轨迹预测提供了稳定可靠的解决方案。

　　

在智能交通系统快速发展的今天，自动驾驶车辆(AVs)的安全性问题日益凸显。混合交通环境下，人类驾驶车辆与AVs的交互行为复杂多变，准确预测周边车辆的运行轨迹成为保障行车安全的关键。然而，传统预测模型如卡尔曼滤波、马尔可夫链等仅关注单车状态，忽视了车辆间的动态交互；而基于RNN/LSTM的序列模型虽能捕捉时序特征，却难以有效处理非欧几里得空间数据。更棘手的是，现有方法大多只能预测目标车辆轨迹，无法同步预测邻域车辆群体行为，且图神经网络(GNN)存在信息冗余导致的过平滑问题。这些技术瓶颈严重制约了AVs在复杂场景下的决策能力。

针对这些挑战，来自国内的研究团队在《Expert Systems with Applications》发表了一项创新研究。该工作提出了一种集成自适应图结构学习的GNN-编码器解码器框架，通过三个关键技术突破：首先采用欧氏距离度量的动态权重分配策略构建交通拓扑图；其次设计高效消息传递机制减少冗余信息流；最后引入注意力增强的GRU模型优化时序特征提取。研究团队在NGSIM和highD两大基准数据集上验证了模型性能。

【自适应图结构学习】通过实时计算车辆间欧氏距离，动态调整邻接矩阵权重，有效捕捉了交通参与者的交互强度。实验显示该方法比固定阈值构图方式提升拓扑表征精度达15%。

【GNN消息传递优化】创新性地在聚合操作中引入信息筛选门控，使关键空间特征的保留率提升至92%，显著缓解了传统GNN的过平滑现象。消融实验证实该模块使RMSE指标降低12.3%。

【注意力增强的编码器-解码器】采用多头注意力机制对GRU的隐藏状态进行优先级排序，在5秒预测时域内将速度预测误差控制在0.3m/s以内，较基准模型提升28%的时序建模效率。

研究结果表明，该框架在8秒预测时域内的位移误差仅为1.2米，较最优基线模型降低27%的RMSE。特别是在车辆变道、合流等高动态场景下，预测轨迹与实际轨迹的相关系数达到0.93，展现出卓越的复杂场景适应能力。模型参数量控制在1.2M以内，满足车载计算平台的实时性要求。

这项研究的突破性意义在于：首次实现了群体车辆轨迹的同步预测，避免了传统方法的重复计算；提出的动态构图策略为交通网络建模提供了新思路；消息传递机制的创新为GNN在移动物体预测中的应用开辟了新途径。该成果不仅提升了AVs的主动安全性能，其通用框架设计还可拓展至机器人路径规划、人群流动预测等领域。未来研究可进一步探索多模态传感器数据融合，以及在极端天气条件下的模型鲁棒性提升。